• LSTM
• Machine Learning
• MLP
• NOx Emissions
• OBM

Negli ultimi decenni, la Commissione Europea ha introdotto normative più severe per mitigare l’impatto del trasporto su strada sulla qualità dell’aria. Le limitazioni si concentrano soprattutto sulle emissioni inquinanti, come NOx, HC, CO e Particolato, misurandone la produzione nei motori a combustione interna attraverso specifiche procedure di approvazione.
A partire da luglio 2025, lo standard Euro7 introdurrà ulteriori richieste che l’attuale On-Board Diagnostic (OBD) non soddisferebbe da sola. Perciò, sistemi di On-Board Monitoring(OBM) dovrebbero essere integrati tra gli apparati di diagnostica, garantendo il monitoraggio delle specie inquinanti del veicolo in qualsiasi condizione di funzionamento del motore, quindi anche se il sistema è affetto da guasti e malfunzionamenti, utilizzando i dati e le funzionalità di OBD.

In questo contesto su scala europea, il team del Green Mobility Research Lab dell’Università di Bologna, in collaborazione con FEV Italia S.r.l, ,mira ad affrontare queste nuove normative esplorando il campo dell’intelligenza artificiale(AI) come modelli data-driven per il monitoraggio degli inquinanti. Inoltre, come parte di un'attività di ricerca più ampia, i dati utilizzati per addestrare e testare le reti neurali sono stati generati tramite un software di simulazione in cui sono stati implementati sia il modello 0D del veicolo che quello del propulsore ibrido P0P2, consentendo una comprensione più profonda delle prestazioni delle reti neurali in diversi scenari di testing.

Nello specifico, il lavoro si è concentrato sullo sviluppo di una metodologia per la creazione di modelli di intelligenza artificiale basati su reti neurali volti a prevedere le emissioni di NOx provenienti dal motore. Questa analisi è stata inizialmente condotta per un caso nominale, addestrando il modello sia su dati in stazionario che di ciclo di guida, con l'obiettivo di consolidare l'approccio sopra menzionato e gli strumenti disponibili. Questa fase preliminare ha offerto l'opportunità di studiare le relazioni più rilevanti tra le caratteristiche che compongono il dataset di addestramento al fine di migliorare la robustezza e le proprietà di generalizzazione delle reti. Solo una volta assicurate le capacità predittive dei modelli basati su Reti Neurali (NNs) sui cicli di guida nominali, una serie di guasti al motore sono stati considerati e inseriti nell'ambiente di simulazione al fine di raccogliere dati e quindi sviluppare reti in grado di prevedere le emissioni di NOx anche in presenza di fault.

Lo scopo finale di questa tesi è quindi proporre una metodologia comune per l'addestramento e il test delle NNs per la regressione delle emissioni dei motori in casi non nominali, con l'obiettivo a lungo termine di integrare questi modelli matematici basati su intelligenza artificiale in un sistema OBD/M per prevedere lo stato effettivo di emissioni inquinanti in qualsiasi regime operativo del propulsore termico.

In the last decades, the European Commission has introduced stricter regulations to mitigate the impact of road transportation on air quality. The limitations are focused especially on the pollutant emissions, such as NOx, HC, CO and Soot, measuring their production in internal combustion engines via specific approval procedures. Starting from July 2025, Euro7 standard will introduce further request that the current stand-alone On-Board Diagnostic (OBD) would not satisfy. In this context, On-Board Monitoring (OBM) systems should be integrated among the diagnostic tools, ensuring the monitoring of vehicle’s pollutant species under any engine operating condition, even if the system is affected by faults and malfunctions, using OBD data and working side-by-side with it. Within this European-scaled context, the Green Mobility Research Lab team at the University of Bologna, in collaboration with FEV Italia S.r.l, aims to address these new regulations by exploring the field of artificial intelligence (AI) as data-driven models for pollutant monitoring. Moreover, as part of a wider research activity, the data used to train and test the Neural Networks were generated via Simulation Software in which both the vehicle and P02 hybrid powertrain 0D models were implemented, allowing a deep comprehension of the Neural Networks performance in several testing scenarios. Specifically, the work focused on developing a methodology for creating AI models based on Neural Networks aimed at predicting the engine-out NOx emissions. This analysis has been initially conducted for a nominal case, training the model both on steady-state and driving cycle data, with the goal of consolidating the aforementioned approach and the available tools. This preliminar phase granted the opportunity to study the most relevant relationships among the features that composed the training dataset as to enhance robustness and generalization properties of the networks. Only once the predicting capabilities of the Neural Networks (NNs) models on nominal driving cycles were assured, a series of engine faults had been considered and injected in the Simulation Environment in order to collect data and thus develop networks capable of predicting NOx emissions even in presence of these faults. The ultimate goal of this master thesis is to propose a common methodology for NNs training and testing for faulty engine emission regression, with a long-term objective of integrating these AI-based mathematical models into an OBD/M system to predict the actual state of pollutant emissions under any operating condition of the thermal power unit.